Near-Optimal Nitrogen Recommendations for Precision Agriculture via Sequential Screening and Hierarchical Refinement

Resumen Técnico: Recomendaciones de Nitrógeno Casi Óptimas para la Agricultura de Precisión

Planteamiento del Problema
La gestión del fertilizante de nitrógeno (N) es crítica para equilibrar la productividad agrícola con la sostenibilidad ambiental. Sin embargo, identificar estrategias de aplicación óptimas es un desafío debido a la sustancial heterogeneidad espacial en las respuestas de los tratamientos y la indistinguibilidad estadística de muchas opciones de fertilización cerca del rendimiento óptimo. Los enfoques tradicionales suelen buscar un único "mejor" tratamiento o una tasa de N económicamente óptima (EONR) para un entorno determinado. No obstante, en la práctica, múltiples regímenes de fertilización suelen producir rendimientos estadísticamente similares a pesar de variar significamente en las tasas de aplicación de N. Los métodos de estadística y aprendizaje automático existentes a menudo se centran en predecir el rendimiento o una única tasa óptima, fallando al no considerar explícitamente la "planitud" de la superficie de respuesta cerca del óptimo o la necesidad de seleccionar alternativas con menor contenido de N cuando las diferencias de rendimiento son insignificantes. El artículo aborda la necesidad de un marco de decisión que identifique opciones de fertilización prácticamente casi óptimas, priorizando las opciones más parsimoniosas de bajo contenido de N en sistemas agrícolas espacialmente heterogéneos.

Metodología
Los autores proponen un procedimiento de refinamiento jerárquico basado en un cribado secuencial. La metodología está diseñada para experimentos multi-sitio y opera a través de las siguientes etapas:

1. Cribado Secuencial (Nivel Estatal): El proceso comienza eliminando tratamientos de fertilizantes claramente inferiores en un nivel de agregación superior (nivel estatal). Utilizando datos históricos de años anteriores, el método calcula los rendimientos medios empíricos y los límites de confianza (Límite Inferior y Límite Superior de Confianza, LCB/UCB) para cada brazo de fertilizante dentro de un estado.

   • Se retiene un brazo de fertilizante para la siguiente etapa si su Límite Superior de Confianza permanece dentro de una tolerancia especificada por el usuario ($\epsilon$) del máximo Límite Inferior de Confianza entre los brazos actualmente activos.
   • Este paso incorpora un ajuste de tipo Bonferroni para protegerse contra la eliminación prematura debido a comparaciones múltiples, garantizando una "garantía de seguridad de cribado": con alta probabilidad, todas las opciones verdaderamente $\epsilon$-cercanas al óptimo sobreviven al cribado.

2. Refinamiento Jerárquico (Nivel de Sitio): Una vez establecido un conjunto de brazos casi óptimos supervivientes a nivel estatal, el método refina las recomendaciones localmente para sitios específicos dentro de ese estado.

   • Para cada sitio, el procedimiento calcula los rendimientos medios empíricos solo para el subconjunto de brazos que sobrevivieron al cribado a nivel estatal.
   • Un conjunto de "casi mejor" a nivel de sitio se define basándose en una tolerancia específica del sitio ($\epsilon_{site}$).
   • La recomendación final para un sitio específico es la opción de fertilizante con menor contenido de N entre los candidatos casi óptimos supervivientes. Si un sitio carece de suficiente replicación para el refinamiento local, el método recurre al superviviente de bajo N a nivel estatal.

3. Benchmarks de Comparación: El método propuesto se evalúa frente a varios benchmarks retrospectivos y adaptativos, que incluyen:

   • Recomendaciones de brazos fijos globales y específicos de un estado (seleccionando el único mejor promedio histórico).
   • Recomendaciones adaptativas anuales acumulativas (actualizando el mejor brazo anualmente basándose en datos pasados).
   • Cribado de predicción ajustado al sitio (utilizando un modelo de regresión cuadrática para predecir rendimientos y cribar brazos).
   • Benchmarks de retrospectiva (utilizando datos del mismo año para establecer límites superiores optimistas).

Contribuciones Clave

• Cambio de un Óptimo Único a Subconjuntos Casi Óptimos: El artículo se aleja del objetivo de identificar un tratamiento único y mejor. En su lugar, se enfoca en identificar un subconjunto de tratamientos prácticamente casi óptimos y seleccionar la opción más sostenible desde el punto de vista ambiental (el de menor N) de ese conjunto.
• Marco de Decisión Jerárquico: Introduce un proceso de dos etapas que combina la estabilidad del intercambio de información a nivel estatal (para cribar opciones claramente inferiores) con la adaptabilidad del refinamiento a nivel de sitio (para adaptar las recomendaciones a las condiciones locales).
• Garantías Teóricas: Los autores proporcionan propiedades asintóticas y una "garantía de seguridad de cribado", demostrando que la regla de cribado secuencial retiene todos los tratamientos de fertilizante verdaderamente $\epsilon$-cercanos al óptimo con una alta probabilidad ($1-\alpha$).
• Distinción entre Predicción y Decisión: El estudio destaca que la predicción precisa de los niveles de rendimiento (vía modelos de regresión) no necesariamente se traduce en una toma de decisiones superior. La identificación directa de subconjuntos casi óptimos mediante el cribado resultó ser más efectiva que el cribado basado en la predicción.

Resultados
La metodología fue probada en un conjunto de datos de ensayos de nitrógeno para maíz multi-estado y multi-año (2014–2016) que cubría 49 ensayos de sitio-año en ocho estados del Medio Oeste de EE. UU.

• Heterogeneidad: El análisis confirmó una heterogeneidad espacial significativa. Ningún régimen de fertilización fue uniformemente óptimo dentro de un estado; la recomendación más común típicamente cubría solo del 33% al 57% de las unidades de decisión dentro de un estado.
• Desempeño: El procedimiento de refinamiento jerárquico propuesto logró el mejor desempeño general entre los métodos desplegables:
  • Rendimiento: El rendimiento promedio más alto (217.4 bushels/acre).
  • Arrepentimiento (Regret): El menor arrepentimiento promedio (13.6 bushels/acre), lo que indica una pérdida de rendimiento mínima respecto al mejor tratamiento observado.
  • Eficiencia: Redujo sustancialmente la aplicación promedio de N (180 unidades) en comparación con las recomendaciones globales (240 unidades) y específicas de estado (247 unidades).
  • Casi-Optimalidad: Logró la mayor proporción (49%) de recomendaciones que caen dentro de los 10 bushels/acre de la mejor elección empírica.
• Robustez: La evaluación fuera de la muestra (dejar un bloque fuera) confirmó que la estrategia de refinamiento jerárquico mantiene sus ventajas (menor uso de N con rendimiento competitivo) incluso cuando se aplica a datos no vistos.
• Sensibilidad: El análisis de sensibilidad sobre el umbral de casi-optimalidad ($\epsilon$) reveló un compromiso (trade-off): los valores alrededor de $\epsilon \approx 10$ ofrecieron un compromiso atractivo, permitiendo una reducción significativa de N con solo aumentos modestos en el arrepentimiento.

Significancia y Reivindicaciones
El artículo afirma que el marco propuesto ofrece una solución práctica para la agricultura de precisión en entornos heterogéneos. Al cambiar el objetivo de encontrar un tratamiento único "mejor" a identificar un conjunto de tratamientos "casi equivalentes", el método permite la selección de recomendaciones con menor contenido de N sin sacrificar el desempeño agronómico.

Los autores enfatizan que su enfoque aborda las limitaciones del aprendizaje puramente adaptativo en estudios de corto plazo (donde los datos históricos son insuficientes para una adaptación completa estable) y las limitaciones de los modelos de predicción pura (que pueden no distinguir de manera confiable entre tratamientos con rendimientos esperados muy similares). Los resultados sugieren que combinar el cribado secuencial a nivel estatal con el refinamiento a nivel de sitio proporciona una estrategia robusta para equilibrar la productividad, los costos económicos y los impactos ambientales. El artículo concluye que esta perspectiva es ampliamente útil para la toma de decisiones agrícolas donde la heterogeneidad espacial es sustancial, ofreciendo un mecanismo para mejorar la Eficiencia en el Uso del Nitrógeno (NUE) mientras se reducen potencialmente los costos de los insumos.